设备故障诊断与健康状态劣化预警产品简介

建立设备状态评价模型，从通讯（数据质量）、能效水平、运行工况、健康状态、运维质量五个维度对设备状态进行全面评价。
检测设备参数质量，避免 信号失真对设备状态的干 扰。 计算评估设备能效状况。
评估设备运行工况的合理 程度。
评估设备故障发展程度。
评估设备预防性维护执行 质量。
Biblioteka Baidu
将大数据AI模型、机理模型、故障知识库深度融合，能够识别设备故障部件、故障模式、故障原因、故障等级及改善措施。 设备机理可视化建模
4、工况 劣化预警
建立设备运行工况诊断模型，自 动识别当前工况的健康程度（最 优-允许-非稳定），实现工况劣 化可视化预警功能。
应ü用效大数果据深1、度学大习数算据法 算法与工况结合的参数劣化炉水预循警环泵流量的预测效果及残差分析
区别于传统固定上下限报警线， 采用诊断参数异常的阈值是由大 数据深度学习算法训练后动态计 算，准确度高。
大数据函数调用
ü 植入大数据函数
对关键特征参数，配置植入大数 据训练函数，具备趋势劣化程度 与速度的判断能力。
n 设备非停预警
有别于DCS保护跳闸逻辑，平台 能够识别跳闸关键特征参数劣化 征兆，提前预警，避免设备跳停。
应用效果
3、设备机理特性与大数据AI算法深度融合，既识别当前故障，也掌握劣化趋势
目录
Contents
01 应用背景 02 产品功能 03 典型案例
01
• 误操作易导致设备事故 • 故障停产、减产损失大
02
• 维护成本高 • 保养不到位导致设备完好率低 • 定期检修易出现设备欠修和过修
03
• 经验设置报警，无法做到提前预警 • 故障诊断过分依赖行业专家知识 • 海量历史数据缺乏利用手段
系统应用目标
能看懂
• 设备数据质量 • 设备健康状态 • 设备运行状态 • 设备保养状态 • 设备能效状态
能看透
• 设备故障部件 • 设备故障模式 • 设备故障现象 • 设备故障原因 • 设备故障等级 • 设备故障时间
能看好
• 运行操作指导 • 维护保养策略 • 维修技改方案 • 备品备件计划
随时 随地
主要应用效果
“急性病”
1、参数 劣化预警
2、设备 跳停预警
抽取保护逻辑特征参数，根据大 数据劣化计算模型，在触发跳闸 阈值之前预警，避免设备非计划 停运。
“病理分析”
根据设备故障机理特性建立专家 系统，生成诊断报告，识别设备 异常故障模式、故障部件、故障 原因及严重程度。
3、设备 故障识别
“慢性病”
润滑保养
根据设备部件磨损及润滑油质情 况实行按质换油及油料消耗定额 管理和废油的回收、再生与利用， 减少故障以保障生产顺利进行、 减少机件磨损以延长设备使用寿 命、减少维修费用、降低成本。
维修改造
根据故障模式进行故障状态评价， 采取更有针对性的维修策略： （1）评估哪个维修时间点需要 进行维修，以达到最佳的维修效 益，既不影响设备使用，又不影 响故障损坏后导致的非停以及维 修费用的增加； （2）根据部件劣化情况，对重 要的维修部件进行生产排程。
自动生成诊断报告
EAM内容
设备台账 计划检修 缺陷管理 预防性维护 智能巡点检 三维可视化 实时监视/故障诊断 备件/材料管理
朗坤EAM创新业务
设备智慧维护
智慧 检测
智慧 诊断
智慧 维修
智慧 作业
优化运行
通过对设备运行实时数据的监测 分析，对设备的重要性能参数和 特征参数进行计算，并与设计值、 历史最优值、同类设备最优值等 进行多维度比较，建立设备健康 状态评估模型，全面反映设备当 前的性能和故障状态，对设备的 运行健康度进行量化评分，作为 设备维修决策的参考依据。
04
• 现有DCS监测参数主要面向运 行控制，状态感知能力不足
• 传感器选型难度大 • 故障特征参数提取困难
05
• 不能按设备实际状况指导检修 • 备品备件库存配置不合理
目录
Contents
01 应用背景 02 产品功能 03 典型案例
能看到
• 设备实时数据 • 设备历史数据 • 设备异常数据 • 故障特征数据
通过融入AI算法模型提高了故障 诊断的变工况实用性，通过内置 机理知识库，降低了专家系统使 用难度，同时具备了在线故障诊 断与长期故障劣化预警的能力。
应用效果ü
4、采用多次迭代改良后，AI模型准确度大幅度提升
炉水泵设计特性曲线
通过计算设备当前工况与设计特性曲线工况点的偏差，评价设备工作工
况点的健康程度，降低工况失稳风险，避免设备长期在亚健康工况运行
目录
Contents
01 应用背景 02 产品功能 03 典型案例
炉水循环泵
氧化风机
浆液循环泵
某电厂应用案例
根据“过检服役”和“屡修屡坏”两个设备选择原
1 则，选取了炉水循环泵、浆液循环泵、氧化风机三 类设备，都是发电厂的关键辅助设备，其运行状态 直接影响到锅炉系统、脱硫脱硝设备的生产运行。
长期处于高温高压的工作环境中，炉水循环泵、浆
当前工况与健康状态
ü 机理特性建模
建立机理特性的故障模式识别系 统，不但可以发现异常，还能分 析故障原因，提供改善建议。
ü 大数据AI算法
一是解决常规专家系统无法在变 工况过程中由于无法设定合理阈 值导致误诊漏诊的问题； 二是根据历史健康状态劣化程度， 实现设备故障劣化预警功能。
健康状态劣化趋势
n 机理+AI算法
ü 工况识别与数据分离
对热备、启停、高中低负载等差 异化工况分别建模，极大降低误 报漏报率。
n 趋势劣化预警
不是传统的超限报警，而是根据 劣化趋势建立的预警模型，具有 预知防护价值。
应ü用效故障果模式2、组态将参数劣化与保护跳闸逻辑相结合，实现非停预可警视防化组护态功的能专家系统
可视化组态实现故障模式的专家 诊断逻辑，可根据设备特性灵活 调整，快速优化。
2 液循环泵、氧化风机容易出现温差热应力、汽蚀、
轴承磨损、电气等故障，从而导致各类跳闸保护， 影响全厂生产运行。
由于设备老化或运行参数调控不当，可能会导致机
3 组非停、设备损坏、设备老化、性能劣化等问题，
具有较大安全隐患。
“治未病”
建立参数劣化预警模型，分析设 备早期故障征兆，指导用户对设 备进行科学养护。
导致的能效损失与设备磨损老化。
ü 实际工况点与允许工况区间的相对位置关系
应用效果 5、采用多次迭代改良后，AI模型准确度大幅度提升
利用设备在正常工况下历史的测点数据训练单轮廓自编码模型，学习正常工况下内在数据分布，捕获数据模式， 基于重建误差实现异常检测，并引入稠密连接，改进编码器网络结构。